【技術實現步驟摘要】
本專利技術屬于dntf共晶材料，具體涉及一種基于正負樣本對比學習的原型網絡dntf共晶預測方法。
技術介紹
1、高能量密度材料的設計、合成及應用是提高推進劑、火炸藥配方能量特性的重要手段。當前在材料領域用的最多的是cl-20(六硝基六氮雜異伍茲烷)，但是成本比較高，制約了其廣泛應用。近些年的研究發現，dntf(3,4-二硝基呋咱基氧化呋咱)具有能量密度高、爆速高、穩定性好的特點，最重要的是，dntf的性能與cl-20接近，但其成本只有cl-20的一半，因此dntf具有很高的研究價值，在固體推進劑的高性能氧化劑領域具有很大的發展潛力。
2、研究發現，dntf目前仍存在眾多問題，如熱穩定性差、力學性能差、晶析、相容差性等問題，這些問題均可通過共晶來解決。近年來，共晶作為一種改善材料性能的有效途徑，其中的含能共晶技術可以在不破壞原有含能化合物分子結構的前提下，改變含能材料的化合物分子結構組成(分子排列方式)和結晶結構(晶體堆積系數、密度等)，減少晶體的自由體積，形成緊密堆積，并進一步減小熱點形成的概率，隨之密度、熔點、感度和爆炸性能等物性發生變化，實現能量和安全性的平衡。但由于共晶技術存在著實驗成本巨大且有一定的安全性問題，在過去的幾十年里，共晶材料雖已逐漸在各自的應用領域展現其應有的作用，如電子器件領域、半導體工程、化學工程等，但歸根結底還是由于共晶體系過于復雜，對共晶結構的研究相對受制，故仍未在含能材料領域廣泛應用。
3、當前，人工智能機器學習領域飛速發展，在人工智能中的深度學習領域，隨著深度學習的模型預測
4、然而，在對于dntf共晶配體預測的深度學習方法的研究中，目前仍需解決以下幾個問題：(一)現有的數據庫中正樣本與負樣本的比例不均衡，且維度的不同不利于訓練時調整神經網絡的權重；(二)目前未有研究針對dntf共晶配體分子所建立的深度學習框架，未能發揮深度學習的作用，須重新針對數據模型建立對應的深度學習模型；(三)目前眾多模型預測時并未體現共晶研究這一過程的迭代特性。
技術實現思路
1、為了解決現有技術中存在的上述問題，本專利技術提供了一種基于正負樣本對比學習的原型網絡dntf共晶預測方法。本專利技術要解決的技術問題通過以下技術方案實現：
2、本專利技術提供了一種基于正負樣本對比學習的原型網絡dntf共晶預測方法，包括：
3、s1：根據dntf的化學參數獲取滿足預設dntf相關條件的晶體化合物作為相關晶體化合物；
4、s2：根據獲取的所述相關晶體化合物構建訓練數據集；
5、s3：將所述訓練數據集劃分為支撐集和查詢集，利用所述支撐集和所述查詢集對構建的dntf共晶預測網絡進行對比學習訓練，得到訓練后的dntf共晶預測網絡模型；
6、s4：利用所述訓練后的dntf共晶預測網絡模型對dntf的配體分子進行預測。
7、在本專利技術的一個實施例中，所述s1包括：
8、根據dntf的化學參數在劍橋晶體庫中查找滿足預設dntf相關條件的晶體化合物作為相關晶體化合物，其中，所述dntf的化學參數包括dntf的分子式、dntf的結構、dntf的官能團數量和dntf的官能團種類；所述預設dntf相關條件包括與dntf具有相同的分子式、與dntf的化學結構局部相同、與dntf具有相同的官能團數量以及與dntf具有部分相同的官能團中的至少一種。
9、在本專利技術的一個實施例中，所述s2包括：
10、s2.1：獲取所述相關晶體化合物及選取的對應配體分子的晶體信息；
11、s2.2：根據所述相關晶體化合物和所述配體分子的晶體信息得到多模態數據，生成多模態數據樣本，所述多模態數據包括所述相關晶體化合物和所述配體分子的原子坐標數據、化學鍵數據、晶包參數、空間群數據、密度數據、熔點數據、晶體學點陣類型和折射率；
12、s2.3：將所有多模態數據樣本構成訓練數據集，其中，將所述相關晶體化合物和對應的配體分子共晶和不共晶的情況分別標注標簽，將所述相關晶體化合物和對應的配體分子能夠共晶的多模態數據標注為正樣本，將所述相關晶體化合物和對應的配體分子不能共晶的多模態數據標注為負樣本。
13、在本專利技術的一個實施例中，所述s2.3包括：
14、將所有多模態數據根據特征編碼的形式進行編碼，得到dntf共晶預測網絡能夠識別的向量格式數據，構成數據集；
15、將所述數據集中的數據按照4:1的比例隨機劃分為訓練數據集和測試數據集，將所述相關晶體化合物和對應的配體分子能夠共晶的多模態數據設置為標簽1，將所述相關晶體化合物和對應的配體分子不能夠共晶的多模態數據設置為標簽0。
16、在本專利技術的一個實施例中，所述s3包括：
17、s3.1：創建n個訓練任務以及每個訓練任務的支撐集和查詢集，每個訓練任務的支撐集包括在訓練數據集中選取的5個負樣本，每個訓練任務的查詢集包括訓練數據集中選取的1個正樣本和1個負樣本；
18、s3.2：構建dntf共晶預測網絡，所述dntf共晶預測網絡包括連接的特征提取器和分類器，其中，所述特征提取器包括依次連接的嵌入層、批歸一化層、主成分分析層和線性映射層；
19、s3.3：將所述支撐集和所述查詢集中的樣本數據依次輸入所述特征提取器中，獲得所述支撐集的5個負樣本特征以及所述查詢集的1個正樣本特征和1個負樣本特征；
20、s3.4：利用所述分類器分別計算所述支撐集的5個負樣本特征與所述查詢集的1個正樣本特征的馬氏距離，以及所述支撐集的5個負樣本特征與所述查詢集的1個負樣本特征的馬氏距離；
21、s3.5：利用所述馬氏距離獲得對比學習總損失，并基于對比學習總損失進行梯度反向傳播以對所述dntf共晶預測網絡的網絡參數進行更新；
22、s3.6：利用另一訓練任務中的支撐集和查詢集重復執行步驟s3.3~?s3.5，直至所有訓練任務執行完畢，獲得訓練后的dntf共晶預測網絡模型。
23、在本專利技術的一個實施例中，所述馬氏距離的計算公式為：
24、，
25、，
26、其中，表示特征向量與的馬氏距離，表示特征向量與的差異向量，表示差異向量的轉置，表示協方差矩陣，表示求協方差，表示協方差矩陣的逆矩陣，，，表示特征向量與的維度。
27、在本專利技術的一個實施例中，利用所述馬氏距離獲得對比學習總損失，包括：
28、所述分類器將當前訓練任務的支撐集的5個負樣本特征與查詢集的1個負樣本本文檔來自技高網...
【技術保護點】
1.一種基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，包括：
2.根據權利要求1所述的基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，所述S1包括：
3.根據權利要求1所述的基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，所述S2包括：
4.根據權利要求3所述的基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，所述S2.3包括：
5.根據權利要求2所述的基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，所述S3包括：
6.根據權利要求5所述的基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，所述馬氏距離的計算公式為：
7.根據權利要求5所述的基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，利用所述馬氏距離獲得對比學習總損失，包括：
8.根據權利要求4所述的基于正負樣本對比學習的原型網絡DNTF共晶預測方法，其特征在于，在所述S3之后還包括：
9.根據權利要求2所述的基于正負樣本對
...【技術特征摘要】
1.一種基于正負樣本對比學習的原型網絡dntf共晶預測方法，其特征在于，包括：
2.根據權利要求1所述的基于正負樣本對比學習的原型網絡dntf共晶預測方法，其特征在于，所述s1包括：
3.根據權利要求1所述的基于正負樣本對比學習的原型網絡dntf共晶預測方法，其特征在于，所述s2包括：
4.根據權利要求3所述的基于正負樣本對比學習的原型網絡dntf共晶預測方法，其特征在于，所述s2.3包括：
5.根據權利要求2所述的基于正負樣本對比學習的原型網絡dntf共晶預測方法，其特征在于...
【專利技術屬性】
技術研發人員：劉延飛，杜子昂，李琪，王杰鈴，劉鈺琨，
申請(專利權)人：中國人民解放軍火箭軍工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。